ज़्यादातर लोग AI का इस्तेमाल जवाबों के लिए एक वेंडिंग मशीन की तरह करते हैं।
एक दस्तावेज़ अपलोड करें। एक सवाल पूछें। जवाब पाएँ। टैब बंद करें। कल, वही दस्तावेज़ फिर से अपलोड करें। थोड़ा अलग सवाल पूछें। मॉडल को फिर से शून्य से शुरू होते देखें, जैसे कल कभी हुआ ही न हो।
आज "AI उत्पादकता" का यही डिफ़ॉल्ट पैटर्न है। पहली कुछ बार यह जादुई लगता है क्योंकि सिस्टम आपके सामने आने वाली लगभग किसी भी चीज़ का सारांश, व्याख्या और अंतर्दृष्टि निकाल सकता है। लेकिन कुछ हफ्तों के बाद, जादू अजीब तरह से डिस्पोजेबल लगने लगता है। आप ज्ञान का निर्माण नहीं कर रहे हैं। आप बुद्धिमत्ता के छोटे-छोटे विस्फोट किराए पर ले रहे हैं।
समस्या यह नहीं है कि मॉडल बहुत कमज़ोर हैं। समस्या यह है कि वर्कफ़्लो में कोई ऐसी मेमोरी नहीं है जो संचयी हो।
Andrej Karpathy ने एक बेहतर पैटर्न का वर्णन किया: व्यक्तिगत ज्ञानकोष बनाने और बनाए रखने के लिए LLM का उपयोग करना। सिर्फ अपलोड किए गए PDF का फ़ोल्डर नहीं। सिर्फ दस्तावेज़ों पर एक चैटबॉट नहीं। एक स्थायी, संरचित, आपस में जुड़ा हुआ विकी जिसे LLM समय के साथ अपडेट करता है।
महत्वपूर्ण हिस्सा विकी नहीं है। हमारे पास दशकों से विकी हैं।
महत्वपूर्ण हिस्सा रखरखाव है।
यह वह गायब टुकड़ा है जिसने AI से पहले लगभग हर "दूसरे दिमाग" सिस्टम को मार डाला। लोगों को व्यक्तिगत ज्ञानकोष का विचार पसंद है। उन्हें Obsidian ग्राफ़, Zettelkasten आरेख, PARA फ़ोल्डर, टैग किए गए नोट्स, बैकलिंक्स, एवरग्रीन नोट्स, डैशबोर्ड और बाकी सब कुछ पसंद है। लेकिन उत्साह के शुरुआती विस्फोट के बाद, आमतौर पर वही होता है: सिस्टम बनाए रखने के लिए एक और सिस्टम बन जाता है।
आप लेखों को क्लिप करते हैं लेकिन उनका सारांश नहीं बनाते। आप नोट्स बनाते हैं लेकिन उन्हें जोड़ते नहीं हैं। आप चीज़ों को असंगत रूप से टैग करते हैं। जब नई जानकारी आती है तो आप पुराने दावों को अपडेट करना भूल जाते हैं। आप एक सुंदर संरचना बनाते हैं और फिर धीरे-धीरे उससे बचते हैं क्योंकि हर बातचीत अधिक बहीखाता पैदा करती है।
दूसरा दिमाग विफल हो जाता है क्योंकि उसे अभी भी अपने बाद सफाई करने के लिए पहले दिमाग की ज़रूरत होती है।
Karpathy का LLM विकी पैटर्न अर्थशास्त्र को बदल देता है। यह ज्ञानकोष को एक व्यक्तिगत नोटबुक से कम और एक कोडबेस की तरह अधिक मानता है। कच्चे स्रोत अंदर जाते हैं। LLM उन्हें पढ़ता है, महत्वपूर्ण भागों को निकालता है, मार्कडाउन पेज बनाता या अपडेट करता है, क्रॉस-रेफरेंस बनाए रखता है, विरोधाभासों को ट्रैक करता है, और इंडेक्स को अप-टू-डेट रखता है। मनुष्य हाथ से विकी नहीं लिखता है। मनुष्य स्रोतों का चयन करता है, सवाल पूछता है, आउटपुट की समीक्षा करता है, और तय करता है कि क्या मायने रखता है।
Andrej Karpathy पोस्ट
https://x.com/karpathy/status/2039805659525644595
यह श्रम का एक बहुत अधिक दिलचस्प विभाजन है।
पुनर्प्राप्ति से संचयी ज्ञान तक
आज अधिकांश AI दस्तावेज़ वर्कफ़्लो पुनर्प्राप्ति पर आधारित हैं। आप फ़ाइलें अपलोड करते हैं, सिस्टम उन्हें टुकड़ों में बांटता है, टुकड़ों को एम्बेड करता है, और जब आप कोई प्रश्न पूछते हैं तो प्रासंगिक अंशों की खोज करता है। यह कई RAG सिस्टम के पीछे मूल विचार है, और यह उपयोगी है। यह मॉडल को उस सामग्री के बारे में सवालों के जवाब देने देता है जो उसके प्रशिक्षण डेटा में नहीं है।
लेकिन पुनर्प्राप्ति की एक सीमा है।
जब आप कोई प्रश्न पूछते हैं, तो सिस्टम खोज करता है, संदर्भ में मुट्ठी भर अंश खींचता है, और एक उत्तर उत्पन्न करता है। उत्तर अच्छा हो सकता है, लेकिन जब बातचीत समाप्त होती है तो काम आमतौर पर गायब हो जाता है। संश्लेषण स्वचालित रूप से एक टिकाऊ संरचना का हिस्सा नहीं बनता है। अगला प्रश्न एक और पुनर्प्राप्ति चक्र शुरू करता है।
यह एक बार के सवालों के लिए ठीक है। यह सीखने, शोध, लेखन और रणनीति के लिए कमज़ोर है, जहाँ पूरा बिंदु यह है कि समझ को संचित होना चाहिए।
एक LLM-रखरखाव वाला विकी अलग तरह से काम करता है। यह क्वेरी समय तक सब कुछ शुरू से संश्लेषित करने की प्रतीक्षा नहीं करता है। यह समय से पहले ज्ञान संकलित करता है।
जब आप एक नया स्रोत जोड़ते हैं, तो LLM इसे पढ़ता है और मौजूदा सिस्टम में एकीकृत करता है। एक पेपर एक अवधारणा पृष्ठ को अपडेट कर सकता है। एक कंपनी प्रोफ़ाइल एक प्रतियोगी पृष्ठ को संशोधित कर सकती है। एक ट्रांसक्रिप्ट एक ग्राहक दर्द बिंदु में सबूत जोड़ सकता है। एक नया लेख पुराने सारांश का खंडन कर सकता है, इसलिए विकी दस्तावेज़ों के ढेर में चुपचाप दफनाने के बजाय तनाव को चिह्नित करता है।
प्रश्न "क्या मैं सही पैराग्राफ प्राप्त कर सकता हूँ?" से बदलकर "क्या मेरा ज्ञानकोष इस स्रोत को जोड़ने के कारण अधिक स्मार्ट हो गया है?" हो जाता है।
यही असली बदलाव है: ज्ञान संचयी हो जाता है।
तीन परतें
आर्किटेक्चर इतना सरल है कि इसकी सादगी को नज़रअंदाज करना आसान है।
पहली परत कच्चे स्रोत हैं। ये मूल सामग्रियाँ हैं: लेख, PDF, नोट्स, ट्रांसक्रिप्ट, पेपर, वेब क्लिप, इमेज, रिपॉजिटरी, डेटासेट, और कोई भी अन्य चीज़ जिसके बारे में आप सिस्टम को जानना चाहते हैं। इस परत को अपरिवर्तनीय माना जाना चाहिए। AI इसे पढ़ सकता है, उद्धृत कर सकता है और इसका सारांश बना सकता है, लेकिन इसे सबूतों को फिर से नहीं लिखना चाहिए।
दूसरी परत विकी है। यह LLM द्वारा बनाए गए मार्कडाउन फ़ाइलों की एक निर्देशिका है। इसमें स्रोत सारांश, अवधारणा पृष्ठ, इकाई पृष्ठ, समयरेखा, तुलना, खुले प्रश्न, इंडेक्स और शोध ब्रीफ शामिल हो सकते हैं। यह संकलित परत है। यह वह जगह है जहाँ कच्चा माल उपयोगी ज्ञान बन जाता है।
तीसरी परत स्कीमा है। यह निर्देशों का सेट है जो LLM को बताता है कि एक रखरखावकर्ता के रूप में कैसे व्यवहार करना है। कौन से फ़ोल्डर मौजूद हैं? स्रोत सारांश क्या माना जाता है? उद्धरण कैसे काम करने चाहिए? इसे पुराने को अपडेट करने के बजाय एक नया अवधारणा पृष्ठ कब बनाना चाहिए? विरोधाभासों को कैसे रिकॉर्ड किया जाना चाहिए? एक स्वास्थ्य जाँच क्या देखती है?
स्कीमा ही चैटबॉट को एक ऑपरेटर में बदल देता है।
इसके बिना, आपके पास एक मॉडल है जो तात्कालिक रूप से काम करता है। इसके साथ, आपके पास एक जूनियर शोधकर्ता के करीब कुछ है जो घर की शैली, फाइलिंग सिस्टम और रखरखाव की रस्मों को जानता है।
Obsidian इस वर्कफ़्लो में स्वाभाविक रूप से फिट बैठता है क्योंकि यह पहले से ही बैकलिंक्स, ग्राफ़ व्यू और तेज़ नेविगेशन के साथ एक स्थानीय मार्कडाउन वातावरण है। Karpathy का फ्रेमिंग उपयोगी है: Obsidian IDE है, LLM प्रोग्रामर है, और विकी कोडबेस है।
वह रूपक मायने रखता है। कोडबेस मूल्यवान नहीं हैं क्योंकि उनमें फ़ाइलें हैं। वे मूल्यवान हैं क्योंकि फ़ाइलें सम्मेलनों का पालन करती हैं, एक-दूसरे को संदर्भित करती हैं, उन्हें रीफैक्टर किया जा सकता है, उन्हें लिंट किया जा सकता है, और उन्हें शुरू से शुरू किए बिना सुधारा जा सकता है। एक गंभीर ज्ञानकोष को उसी तरह काम करना चाहिए।
मनुष्य को क्लर्क नहीं होना चाहिए
व्यक्तिगत ज्ञान प्रबंधन के पुराने मॉडल ने चुपचाप यह मान लिया कि मनुष्य सब कुछ करेगा।
आप स्रोत पढ़ते हैं। आप हाइलाइट करते हैं। आप सारांश बनाते हैं। आप फ़ोल्डर चुनते हैं। आप टैग जोड़ते हैं। आप लिंक बनाते हैं। आपको याद रहता है कि एक पुराने नोट को अब अपडेट करने की आवश्यकता है। आप देखते हैं कि दो स्रोत असहमत हैं। आप इंडेक्स को साफ रखते हैं। आप तय करते हैं कि एक अनाथ नोट को हटाया जाना चाहिए, विलय किया जाना चाहिए या जोड़ा जाना चाहिए।
यह ठीक उसी तरह का काम है जो पहले सप्ताह में उत्पादक लगता है और तीसरे महीने में असहनीय हो जाता है।
यह ठीक उसी तरह का काम भी है जिसमें LLM अच्छे हैं।
वे दोहराव वाली संरचना से थकते नहीं हैं। उन्हें एक बार में पंद्रह फ़ाइलों को अपडेट करने से कोई आपत्ति नहीं है। वे पुराने दावों, गायब बैकलिंक्स, डुप्लिकेट अवधारणाओं, असंगत नामकरण और अनसुलझे विरोधाभासों को स्कैन कर सकते हैं। वे एक गंदे स्रोत को पाँच उपयोगी कलाकृतियों में बदल सकते हैं: एक सारांश, दावों की एक सूची, एक इकाई पृष्ठ अद्यतन, एक अवधारणा पृष्ठ अद्यतन, और एक प्रश्न जो बाद में जाँचने लायक है।
मनुष्य को निर्णय के करीब रहना चाहिए।
कौन से स्रोत सिस्टम में होने चाहिए? कौन से दावे वास्तव में महत्वपूर्ण हैं? अगला कौन सा सवाल पूछने लायक है? कौन सा संश्लेषण सच, उपयोगी, आश्चर्यजनक या गलत लगता है? किसे एक लेख, ज्ञापन, डेक, निर्णय, उत्पाद विचार या शोध दिशा में बदल दिया जाना चाहिए?
यह वह हिस्सा है जहाँ स्वाद मायने रखता है।
LLM को ज्ञान का लिपिकीय कार्य करना चाहिए। मनुष्य को अर्थ का संपादकीय कार्य करना चाहिए।
व्यवहार में यह कैसा दिखता है
कल्पना करें कि आप एक बाज़ार पर शोध कर रहे हैं। आप कुछ विश्लेषक रिपोर्ट, प्रतियोगी ब्लॉग पोस्ट, ग्राहक साक्षात्कार, उत्पाद पृष्ठ और बिक्री कॉल ट्रांसक्रिप्ट से शुरू करते हैं। पुराने वर्कफ़्लो में, ये दस्तावेज़ों का ढेर बन जाते। हो सकता है कि आप उन पर एक चैटबॉट से सवाल पूछें। हो सकता है कि आप एक स्प्रेडशीट रखें। हो सकता है कि आप अंततः एक ज्ञापन लिखें जो नई जानकारी आते ही बासी हो जाए।
LLM विकी वर्कफ़्लो में, हर नया स्रोत जीवित मानचित्र को अपडेट करता है।
एक प्रतियोगी घोषणा प्रतियोगी के पृष्ठ को अपडेट करती है। एक ग्राहक कॉल आपत्तियों, दर्द बिंदुओं, खरीद ट्रिगर और ग्राहकों द्वारा वास्तव में उपयोग की जाने वाली भाषा के बारे में एक पृष्ठ अपडेट करती है। एक बाज़ार रिपोर्ट मूल्य निर्धारण, विनियमन, अपनाने या वितरण के आसपास अवधारणा पृष्ठों को अपडेट करती है। एक नया विरोधाभास नज़रअंदाज़ करने के बजाय लॉग किया जाता है। एक उपयोगी क्वेरी एक सहेजा गया ब्रीफ बन सकती है जिस पर भविष्य की क्वेरीज़ निर्माण कर सकती हैं।
कुछ हफ्तों के बाद, सिस्टम अब सिर्फ एक दस्तावेज़ भंडार नहीं है। यह एक शोध वातावरण है।
यही पैटर्न लेखकों के लिए भी काम करता है। अपने पिछले निबंध, नोट्स, साक्षात्कार, सहेजे गए लेख और ड्राफ्ट को शामिल करें। विकी आपके आवर्ती तर्कों, उदाहरणों, दावों, संदर्भों और अधूरे विचारों को ट्रैक कर सकता है। जब आप लिखने बैठते हैं, तो आप पूछ सकते हैं कि आपने किसी विषय के बारे में पहले क्या कहा है, कौन से उदाहरण सबसे मजबूत हैं, आपकी सोच कहाँ बदली है, और आपने किस कोण का अभी तक पता नहीं लगाया है।
यह स्व-शिक्षा के लिए काम करता है। व्याख्यान, रीडिंग, अभ्यास और पेपर शामिल करें। विकी अवधारणा पृष्ठों को बनाए रख सकता है जो पाठ्यक्रम के कठिन होने के साथ विकसित होते हैं। यह समझा सकता है कि सप्ताह सात सप्ताह दो को कैसे संशोधित करता है। यह समीक्षा पत्रक उत्पन्न कर सकता है, कमजोर क्षेत्रों की पहचान कर सकता है, और भ्रम को एक अध्ययन योजना में बदल सकता है।
यह टीमों के लिए काम करता है। इसे मीटिंग नोट्स, स्लैक थ्रेड्स, ग्राहक कॉल, योजना दस्तावेज़, रणनीति ज्ञापन, सहायता टिकट और पोस्टमार्टम खिलाएँ। विकी प्रोजेक्ट पेज, कस्टमर पेज, उत्पाद निर्णय लॉग, प्रतियोगी पेज और आवर्ती जोखिम थीम बनाए रख सकता है। लाभ सिर्फ खोज नहीं है। लाभ यह है कि संगठन उपकरणों के बीच की दरारों में संदर्भ खोना बंद कर देता है।
हर मामले में, पैटर्न एक ही है: स्रोत एकत्र किए जाते हैं, ज्ञान संकलित किया जाता है, प्रश्न आउटपुट उत्पन्न करते हैं, और उपयोगी आउटपुट सिस्टम में वापस दर्ज किए जाते हैं।
अन्वेषण जुड़ता जाता है।
स्वास्थ्य जाँच ही उत्पाद है
Karpathy के पैटर्न के सबसे कम सराहे गए हिस्सों में से एक लिंटिंग है।
एक सामान्य नोट सिस्टम चुपचाप क्षय होता है। लिंक टूट जाते हैं। पृष्ठ डुप्लिकेट हो जाते हैं। सारांश बासी हो जाते हैं। दावे एक-दूसरे का खंडन करते हैं। महत्वपूर्ण स्रोत असंसाधित रह जाते हैं। आपको क्षय तब तक नज़र नहीं आता जब तक आपको वास्तविक काम के लिए सिस्टम की आवश्यकता नहीं होती और आप अब उस पर भरोसा नहीं करते।
एक LLM-रखरखाव वाले विकी की जाँच की जा सकती है।
आप इसे अनाथ पृष्ठ खोजने के लिए कह सकते हैं। आप इसे डुप्लिकेट अवधारणाओं की पहचान करने के लिए कह सकते हैं। आप पूछ सकते हैं कि किन दावों को उद्धरणों की आवश्यकता है। आप पूछ सकते हैं कि नए स्रोत पुराने स्रोतों से कहाँ टकराते हैं। आप पूछ सकते हैं कि कौन से पृष्ठ बहुत अस्पष्ट, बहुत लंबे, बहुत पतले हैं, या स्पष्ट क्रॉस-रेफरेंस गायब हैं।
यह छोटा लगता है, लेकिन यह नोट्स के ढेर और एक संचालन ज्ञानकोष के बीच का अंतर है।
स्वास्थ्य जाँच कोई साइड फीचर नहीं है। यह वह तंत्र है जो विश्वास को जीवित रखता है।
एक ज्ञानकोष जिस पर आप भरोसा नहीं करते, वह सिर्फ एक और संग्रह है। एक ज्ञानकोष जो स्वयं का निरीक्षण कर सकता है, अपनी कमजोरियों को समझा सकता है, और मरम्मत का प्रस्ताव कर सकता है, वह बुनियादी ढाँचे जैसा लगने लगता है।
मार्कडाउन क्यों मायने रखता है
मार्कडाउन का विनम्र चुनाव जितना दिखता है उससे कहीं अधिक महत्वपूर्ण है।
मार्कडाउन फ़ाइलें पोर्टेबल हैं। वे एक सामान्य फ़ोल्डर में रह सकती हैं। उन्हें Obsidian में खोला जा सकता है, किसी भी टेक्स्ट एडिटर द्वारा संपादित किया जा सकता है, git के साथ संस्करणित किया जा सकता है, कमांड-लाइन टूल के साथ खोजा जा सकता है, वेबसाइटों में प्रस्तुत किया जा सकता है, स्लाइड्स में बदला जा सकता है, या स्क्रिप्ट द्वारा संसाधित किया जा सकता है।
यह सिस्टम को एक ब्लैक बॉक्स बनने से रोकता है।
कई AI उत्पाद आपके ज्ञान को एक मालिकाना इंटरफ़ेस में समाहित करना चाहते हैं। यह सुविधाजनक हो सकता है, लेकिन यह आपकी समझ को किसी और के डेटाबेस, मूल्य निर्धारण, रोडमैप और निर्यात बटन पर निर्भर बनाता है।
एक स्थानीय मार्कडाउन विकी सबसे अच्छे तरीके से उबाऊ है। यह निरीक्षण योग्य है। यह टिकाऊ है। इसका बैकअप लिया जा सकता है। इसकी तुलना की जा सकती है। आप देख सकते हैं कि मॉडल ने क्या बदला। आप खराब संपादनों को वापस ला सकते हैं। आप इसके आसपास छोटे उपकरण बना सकते हैं।
गंभीर ज्ञान कार्य के लिए, उबाऊ बुनियादी ढाँचा जीतता है।
वह उत्पाद जो अस्तित्व में आना चाहता है
Karpathy ने इसे स्क्रिप्ट के एक हैकी संग्रह के रूप में वर्णित किया, लेकिन यह एक बहुत बड़ी उत्पाद श्रेणी की ओर इशारा करता है।
अगला महान ज्ञान उपकरण शायद अपलोड बटन वाले चैटबॉट जैसा नहीं दिखेगा। यह एक AI-मूल शोध वातावरण की तरह अधिक दिखेगा: स्थानीय-प्रथम भंडारण, संरचित अंतर्ग्रहण, उद्धरण-जागरूक संश्लेषण, स्वचालित रखरखाव, दृश्य आउटपुट, स्वास्थ्य जाँच, संस्करण इतिहास, और एजेंटिक वर्कफ़्लो जो पूरे ज्ञानकोष में काम कर सकते हैं।
यह सिर्फ सवालों के जवाब नहीं देगा। यह उस संदर्भ को बनाए रखेगा जो बेहतर सवालों को संभव बनाता है।
यह अंतर मायने रखता है। एक चैटबॉट प्रतिक्रियाशील है। एक बनाए रखा ज्ञानकोष संचयी है। एक चैटबॉट आपको एक प्रतिक्रिया देता है। एक विकी आपके भविष्य के स्वयं को एक बेहतर प्रारंभिक बिंदु देता है।
यही कारण है कि "दूसरा दिमाग" वाक्यांश अंततः कम शर्मनाक हो सकता है। वर्षों तक, इसका अक्सर एक महत्वाकांक्षी फाइलिंग कैबिनेट से था: एक ऐसी जगह जहाँ आप चीज़ों को इस उम्मीद में रखते हैं कि भविष्य का आप उन्हें व्यवस्थित करेगा। लेकिन एक वास्तविक दूसरे दिमाग को केवल यादों को संग्रहीत नहीं करना चाहिए। इसे संरचना को संरक्षित करना चाहिए, विश्वासों को अपडेट करना चाहिए, कनेक्शन को सतह पर लाना चाहिए, और संचित विचार को पुन: उपयोग करना आसान बनाना चाहिए।
अब तक, इसके लिए बहुत अधिक मानवीय अनुशासन की आवश्यकता थी।
अब रखरखाव को सौंपा जा सकता है।
वास्तविक वर्कफ़्लो
व्यावहारिक वर्कफ़्लो लगभग निराशाजनक रूप से सरल है।
कच्चे स्रोत एकत्र करें। LLM को उन्हें एक संरचित मार्कडाउन विकी में संकलित करने दें। परिणाम ब्राउज़ करने के लिए Obsidian या किसी अन्य मार्कडाउन इंटरफ़ेस का उपयोग करें। विकी के खिलाफ सवाल पूछें। महत्वपूर्ण उत्तरों को वापस विकी में सहेजें। समय-समय पर स्वास्थ्य जाँच चलाएँ। दोहराएँ।
फ्लाईव्हील ही मायने रखता है।
हर स्रोत विकी को बेहतर बनाता है। हर अच्छा प्रश्न एक कलाकृति बनाता है। हर कलाकृति भविष्य का संदर्भ बन जाती है। हर स्वास्थ्य जाँच विश्वसनीयता में सुधार करती है। समय के साथ, सिस्टम एक ऐसा आकार विकसित करता है जो दर्शाता है कि आप वास्तव में क्या अध्ययन करते हैं, लिखते हैं, बनाते हैं और तय करते हैं।
यह AI से एक PDF का सारांश बनाने के लिए कहने से बहुत अलग है।
यह एक शोध सहायक होने के करीब है जिसका मुख्य काम अंतिम उत्तर देना नहीं है, बल्कि आपके बौद्धिक कार्यक्षेत्र को सुसंगत रखना है।
यह वर्तमान LLM के सबसे उच्च-लाभ वाले उपयोगों में से एक हो सकता है। आपकी सोच को बदलना नहीं। सब कुछ जानने का दिखावा नहीं करना। अनंत डिस्पोजेबल टेक्स्ट उत्पन्न नहीं करना। बस वह रखरखाव कार्य करना जो गंभीर सोच को संचयी बनाता है।
निष्कर्ष
पुराना दूसरा दिमाग एक अनुशासन समस्या वाला भंडारण सिस्टम था। इसने आपको सब कुछ रखने के लिए एक जगह दी, लेकिन यह अभी भी आपके भविष्य के स्वयं पर निर्भर था कि वह व्यवस्थित करे, जोड़े, अपडेट करे और साफ करे। यही कारण है कि इतने सारे नोट लेने वाले सिस्टम सुंदर मानचित्रों के रूप में शुरू होते हैं और शांत अभिलेखागार के रूप में समाप्त होते हैं।
LLM विकी मॉडल को उलट देता है। कच्चे स्रोत साक्ष्य परत बने रहते हैं। मार्कडाउन विकी संकलित परत बन जाता है। स्कीमा AI को नियम देता है कि इसे कैसे बनाए रखना है। स्वास्थ्य जाँच सिस्टम को भरोसेमंद रखती है। Obsidian या कोई अन्य मार्कडाउन इंटरफ़ेस वह जगह बन जाता है जहाँ आप काम का निरीक्षण, प्रश्न और पुन: उपयोग करते हैं।
RAG आपको दस्तावेज़ों के ढेर से एक प्रश्न का उत्तर देने में मदद कर सकता है। एक LLM-रखरखाव वाला विकी हर भविष्य के प्रश्न के लिए प्रारंभिक बिंदु बदल देता है।
यही मुख्य विचार है। मूल्य सिर्फ तेज़ सारांश, साफ नोट्स या सुंदर ग्राफ़ नहीं है। मूल्य संचित संदर्भ है। हर स्रोत, हर क्वेरी, हर विरोधाभास और हर उपयोगी आउटपुट एक और चैट थ्रेड में गायब होने के बजाय सिस्टम को मजबूत कर सकता है।
मानवीय भूमिका संकीर्ण और अधिक मूल्यवान हो जाती है: बेहतर इनपुट चुनें, तेज प्रश्न पूछें, कमजोर संश्लेषण को चुनौती दें, और तय करें कि क्या मायने रखता है। AI भूमिका दोहराव और संरचनात्मक हो जाती है: सारांश बनाना, लिंक करना, संशोधित करना, उद्धृत करना, लिंट करना और बनाए रखना।
इस तरह ज्ञान का काम संचयी होने लगता है।
आपके दूसरे दिमाग को अधिक फ़ोल्डरों की आवश्यकता नहीं है।
इसे किसी ऐसे व्यक्ति की आवश्यकता है जो इसे बनाए रखे।
और पहली बार, उस व्यक्ति को आप होने की आवश्यकता नहीं है।
अगर आपको यह लेख पसंद आया, तो अधिक AI और Obsidian सलाह के लिए मुझे फॉलो करें: @Degen_calls_sol
